本文是另类因子专题的第 006 篇，也是因子动物园的第 052 篇独立原创研究。【30 秒速览】企业通过不同方式形成关联，这些关联企业的收益间有显著的领先-滞后关系，从而形成可利用的动量效应，例如科技动量和地理动量。在这背后，又是什么样的原因呢？分析师共同覆盖是关键！
Lee et al. (2019) 非常巧妙地利用专利数据建立了公司之间的关联（科技关联度），并指出与一家公司有较高科技关联度的公司的当期收益可以帮助预测其股票未来收益，因此有了科技动量（参见获取 α 的新思路：科技关联度）。事实上，这项巧妙研究并不是第一次这类尝试。其他学者也有不少大开脑洞的奇思妙想，例如，Moskowitz and Grinblat (1999) 指出存在显著的行业动量，Menzly and Ozbas (2010) 表明供应链上下游的企业的股票收益之间存在关联和可预测性，而 Cohen and Lou (2012) 指出在简单易于分析的公司和业务较为复杂的企业之间，也存在收益的领先-滞后关系。这是一个非常有趣且有价值的思路。找寻一些不那么被人注意的关联，然后利用关联企业的收益去预测股票的未来收益，买入预测收益高的股票组合，据此构建关联动量策略/因子。自然地，有两个值得深思的问题。首先，是否还存在类似的关联现象？其次，更为重要的，这些关联是否有共性？换言之，是否有可以解释这些看起来大不相同的关联动量的共同因子？顾名思义，地理动量指同一区域/城市的公司的股票表现之间存在关联。同一区域的公司股票走势相关并不稀奇，诸多行情软件里也都有区域板块指数。但地理动量仍挺特别的，因为它讲的是同一城市企业股票表现之间的领先-滞后关系和由此而来的可预测性，而非通常认知的同步变化。为了理解地理动量的来源，我们需要理解企业之间的关联。大体上，依据企业业务/行业和所在城市，不同企业之间的关联可分为 3 类。图 1 以园长个人一直非常喜爱的几家公司为例对此进行了说明（唔，当然，这不代表现在的投资建议）。老板电器和美的集团是两家很成功的白电企业，因而有类似的基本面，也有较多分析师同时跟踪这两家公司。而海康威视与老板电器同在杭州，但从事电子仪器设备制造，因此二者有地域联系但没有行业关联，跟踪两家公司的分析师也往往大不相同。而中石油与老板电器则在各方面都没有相似性。基于这样的直观认识，我们可以很容易想象这样的场景。假设老板电器发布了盈利公告，自然地，其股价会有所变化，而由于家电分析师的辛勤工作，对美的集团基本面的预测也迅速更新，因此美的集团股价也针对相关信息迅速地有所变化。但与此同时，同在杭州的海康威视，由于其分析师不会关注老板电器的信息，因而不会更新对海康威视的预测，从而其股价变化会滞后。
图 1 ：企业关联性示意图.
数据来源：因子动物园整理.
这一场景/逻辑的基础是影响一家公司盈利和股价的信息，至少包含三个部分：行业因素，区域因素和随机波动。在此基础上，上述场景便是自然而然的逻辑推导。因此，这里的关键是，同城但不同行业和其他城市同行业的公司的表现（基本面和股票波动）对公司未来收益有显著的正影响。Parsons et al. (2020) 用数据支持了这一论点。表 1 检验了公司同其同城但不同行业公司（city 组合）和其他城市同行业的公司（industry 组合）的同期基本面和收益之间的关系。前 4 列显示，基本面指标高度相关，而后 2 列表明收益也显著正相关。这同大家的常识也是一致的。
表 1 ：同期基本面和收益相回归结果.
数据来源：Parsons et al. (2020), Table 2.
当然，只看同期数据是远远不够的，更重要的是检验对股票未来收益的预测能力。表 2 Panel A 的 FM 回归表明，city 组合和 industry 组合对个股的未来收益的确都有显著的预测能力。City 组合（组合收益上升 1% ，个股收益平均上升 6 bp）的影响虽然要小于 industry 组合（组合收益 1% 的上升导致对应个股收益上升 24 bp），但仍然是高度显著的。表 2 Panel B 进一步利用同一城市同一行业的股票构建组合进行 FM 回归，以进行稳健性分析，而结果也是类似的。
表 2 ：地理动量 FM 回归结果.
数据来源：Parsons et al. (2020), Table 4.
图 2 和表 3 进一步展示了组合分析的结果。在组合分析中，每月依据最新的 city 组合收益排序，将全部股票分为 5 组，并分别构建等权组合。图 2 展示了 top/bottom 组合以及市场组合的累计净值图。需要注意的是，这是对数净值，因此这个差距其实是非常大的。表 3 则更加直接地给出了不同组合的表现统计。可以看到，地理动量多空组合月均收益高达 42 bp，且非常显著，其 alpha 也高度而稳健。
图 2 ：地理动量分组组合累计对数净值图.
数据来源：Parsons et al. (2020), Figure 5.
表 3 ：地理动量分组组合业绩表.
数据来源：Parsons et al. (2020), Table 5.
到此为止，地理动量的显著性已毋庸置疑。但需要注意的是，前文分析逻辑时也提到了，地理动量的一个重要前提是没有分析师同时跟踪相关公司。虽然对于不同行业的公司，这往往是事实，但毕竟不是全部公司之间都这样。因此，仍有必要考察分析师共同覆盖对地理动量的影响。
表 4 Panel A 显示，地理动量的确随着共同覆盖的分析师人数增加而下降。当没有共同覆盖时，city 组合的影响达到了 6.7 bp，而当共同覆盖的分析师超过 10 人时，city 组合的影响下降至 6 bp 。虽然看起来只有不大 1 bp，但相对降幅超过了 10% 。此外，统计显著性也明显下滑。当然，上述结果仍然表明，不管共同覆盖的分析师人数有多少，city 组合的影响仍然都是显著的。此外，Panel B 和 C 表明，控制了公司规模和股票成交量后，地理动量仍然显著。
表 4 ：地理动量 FM 回归结果.
数据来源：Parsons et al. (2020), Table 6.
前述关于地理动量的研究表明，地理动量效应在有较多分析师同时跟踪相关公司时，影响要小很多。这是否意味着，分析师共同覆盖是一个可能的 underlying factor？您别说，还真有学者是这么想的。而且他们野心很大，想一次性解释我们在第一小节提到的所有这类关联动量效应。Ali and Hirshleifer (2019) 据此首先构建了一个关联企业组合收益指标（CF 收益），企业 i 的 CF 收益等于与其有共同分析师覆盖的企业的收益，按照共同覆盖的分析师数量加权。在此基础上，同样做多高 CF 收益股票，做空低 CF 收益股票，来构建 CF 动量（connected-firm momentum）组合。表 5 Panel A 表明，CF 组合的当期销售增长对公司当期和下一期的销售增长都有显著为正的预测力，而其他典型的关联动量组合的销售增长，大多同公司当期销售增长正相关，但与下期下期销售增长无关。Panel B 则表明，对于核心的利润增长指标，也有类似的情况。
表 5 ：不同关联度动量基本面指标的预测力.
数据来源：Ali and Hirshleifer (2019), Table 2.
表 6 的组合分析表明，高 CF 动量组合相对低 CF 动量组合有着显著更高的超额收益和 alpha ，无论是市值加权组合还是等权组合，结果都是类似的。
表 6 ：CF 动量组合分析结果表.
数据来源：Ali and Hirshleifer (2019), Table 3.
Panel A 的前 3 列表明 CF 动量的月均收益和 alpha 都显著高于其他关联动量，而后两列则进一步表明，将 CF 动量加入四因子/五因子模型后，其他的关联动量都不显著了，甚至 alpha 显著为负（典型例子便是上一节介绍的地理动量和开篇提到的科技动量）。而 Panel B 显示，将其他关联动量因子分别加入四因子/五因子模型，却不能解释 CF 动量。Panel B 的最后一列显示，将其他关联动量因子依次加入模型，仍然不能解释 CF 动量。
这些结果综合表明，CF 动量能很好解释其他关联动量，但反之不行。换言之，CF 动量是最为基础的 underlying factor！
表 7 ：CF 动量与其他关联动量的比较.
数据来源：Ali and Hirshleifer (2019), Table 4.
表 8 进一步展示了 CF 动量在国际市场的表现。在检验的 11 个国际市场中，CF 动量都有显著的超额收益和 alpha 。尤为值得注意的是日本市场，虽然月均收益仍不够显著，但 alpha 却异常显著。要知道，日本市场的动量不显著可是举世闻名，只有我大 A 股才可比拟的。
表 8 ：CF 动量的国际证据.
数据来源：Ali and Hirshleifer (2019), Table 7.
到此为止，足以表明 CF 动量的确很显著且能较好地解释其他类似的关联动量。当然，严谨的分析肯定不止此处列出的这些实证证据。更详细的内容，您可以在公众号后台回复关键字 CF 获取论文原文。
关联动量是一个非常巧妙且有价值的思路，以科技关联度为代表，近年涌现出了不少相关研究。最新的一项研究是刚被顶刊 RFS 接收的地理动量，本文也对此做了介绍。但学界非常关心另一个问题，这些关联动量之间是否存在共性？大佬 Hirshleifer 对此作出了精彩的回答。Ali and Hirshleifer (2019) 指出，这些关联动量的背后，其实是分析师共同覆盖。当然，理论解释是一方面，这其实并不影响我们去构建类似科技关联度这样的新因子/策略用于实践交易。恰恰相反，这一统一的新理论为我们更深入地挖掘和应用相关因子提供了更好的理论基础。By the way，两篇文章的作者都有行为金融学大佬，地理动量的作者有 Sheridan Titman（正是 momentum 的提出者），CF 动量的通讯作者更不必多说：David Hirshleifer，多个行为偏差的发现者，2018 年还构建了一个相关的资产定价模型。本文仅为分享，不代表任何投资建议。文章图表直接或间接来自于相应论文，仅为介绍之用，版权归原作者和期刊所有。
Ali, Usman, and David Hirshleifer. “Shared Analyst Coverage: Unifying Momentum Spillover Effects.” Journal of Financial Economics forthcoming (2019).
Bali, Turan G., Robert F. Engle, and Scott Murray. “Empirical Asset Pricing: The Cross-Section of Stock Returns.” John Wiley & Sons, 2016.
Cohen, Lauren, and Dong Lou. “Complicated Firms.” Journal of Financial Economics 104.2 (2012): 383-400.
Cohen, Lauren, and Andrea Frazzini. “Economic Links and Predictable Returns.” Journal of Finance 63.4 (2008): 1977-2011.
Lee, Charles MC, Stephen Teng Sun, Rongfei Wang, and Ran Zhang. “Technological Links and Predictable Returns.” Journal of Financial Economics 132.3 (2019): 76-96.
Menzly, Lior, and Oguzhan Ozbas. “Market Segmentation and Cross-Predictability of Returns.” Journal of Finance 65.4 (2010): 1555-1580.
Parsons, Christopher A., Riccardo Sabbatucci, and Sheridan Titman. “Geographic Lead-Lag Effects.” Review of Financial Studies forthcoming (2020).
题图：Landscaple Photograph of Mountains, from pexels.com.